一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架

前言

LIO-SAM的全称是：Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

从全称上可以看出，该算法是一个紧耦合的雷达惯导里程计（Tightly-coupled Lidar Inertial Odometry），借助的手段就是利用GT-SAM库中的方法。

LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。

实现了高精度、实时的移动机器人的轨迹估计和建图。

其中点云运动畸变矫正的代码在图像投影的节点中

可以看到该节点 订阅 3种消息：

原始点云数据

原始imu数据

imu预积分后预测的imu里程计数据其中完成的一个主要功能就是进行畸变矫正。

本篇博客将解读其畸变矫正处理流程部分。

畸变矫正

将点云投影到一个矩阵上，并保存每个点的信息,并在内部进行畸变矫正

  void projectPointCloud()  {

    int cloudSize = laserCloudIn->points.size();    for (int i = 0; i < cloudSize; ++i)    {

遍历整个点云

      PointType thisPoint;       thisPoint.x = laserCloudIn->points[i].x;      thisPoint.y = laserCloudIn->points[i].y;      thisPoint.z = laserCloudIn->points[i].z;      thisPoint.intensity = laserCloudIn->points[i].intensity;

取出对应的某个点

float range = pointDistance(thisPoint);

计算这个点距离lidar中心的距离

      if (range < lidarMinRange || range > lidarMaxRange)        continue;

距离太小或者太远都认为是异常点

      int rowIdn = laserCloudIn->points[i].ring;      if (rowIdn < 0 || rowIdn >= N_SCAN)        continue;      if (rowIdn % downsampleRate != 0)        continue;

取出对应的在第几根scan上

scan id 合理判断

如果需要降采样，就根据scan id 适当跳过

      float horizonAngle = atan2(thisPoint.x, thisPoint.y) * 180 / M_PI;       static float ang_res_x = 360.0/float(Horizon_SCAN);      int columnIdn = -round((horizonAngle-90.0)/ang_res_x) + Horizon_SCAN/2;      if (columnIdn >= Horizon_SCAN)        columnIdn -= Horizon_SCAN;      if (columnIdn < 0 || columnIdn >= Horizon_SCAN)        continue;

计算水平角

计算水平分辨率

计算水平线束id ，转换到x负方向为起始，顺时针为正方向，范围[0-H]

对水平角做补偿，因为雷达是顺时针旋转，

对水平id进行检查

      if (rangeMat.at(rowIdn, columnIdn) != FLT_MAX)        continue;

如果这个位置有填充了就跳过

点云不是完全的360度，可能会多一些

      thisPoint = deskewPoint(&thisPoint, laserCloudIn->points[i].time);

对点做运动补偿

rangeMat.at(rowIdn, columnIdn) = range;

将这个点的距离数据保存进这个range矩阵种

int index = columnIdn + rowIdn * Horizon_SCAN;

算出点的索引

fullCloud->points[index] = thisPoint;

保存这个点的坐标

之后来看下运动补偿得函数deskewPoint

  PointType deskewPoint(PointType *point, double relTime)  {

    if (deskewFlag == -1 || cloudInfo.imuAvailable == false)      return *point;

判断是否可以进行运动补偿，不能得话则之间返回原点

判断依据：

deskewFlag 是原始点云 没有 time得标签 则为-1

cloudInfo.imuAvailable 的原始imu里面的数据判断

    double pointTime = timeScanCur + relTime;

relTime 是相对时间，加上起始时间就是绝对时间

    float rotXCur, rotYCur, rotZCur;    findRotation(pointTime, &rotXCur, &rotYCur, &rotZCur);

通过findRotation函数 计算当前点 相对起始点的相对旋转

其内部为：

  void findRotation(double pointTime, float *rotXCur, float *rotYCur, float *rotZCur)  {    *rotXCur = 0; *rotYCur = 0; *rotZCur = 0;

先将相对旋转至0

    int imuPointerFront = 0;    while (imuPointerFront < imuPointerCur)    {      if (pointTime < imuTime[imuPointerFront])        break;      ++imuPointerFront;    }

找到距离该点云时间最近的 大于该点云时间的点

    if (pointTime > imuTime[imuPointerFront] || imuPointerFront == 0)    {      *rotXCur = imuRotX[imuPointerFront];      *rotYCur = imuRotY[imuPointerFront];      *rotZCur = imuRotZ[imuPointerFront];    }

如果时间戳不在两个imu的旋转之间，就直接赋值了

    } else {       int imuPointerBack = imuPointerFront - 1;      double ratioFront = (pointTime - imuTime[imuPointerBack]) / (imuTime[imuPointerFront] - imuTime[imuPointerBack]);      double ratioBack = (imuTime[imuPointerFront] - pointTime) / (imuTime[imuPointerFront] - imuTime[imuPointerBack]);      *rotXCur = imuRotX[imuPointerFront] * ratioFront + imuRotX[imuPointerBack] * ratioBack;      *rotYCur = imuRotY[imuPointerFront] * ratioFront + imuRotY[imuPointerBack] * ratioBack;      *rotZCur = imuRotZ[imuPointerFront] * ratioFront + imuRotZ[imuPointerBack] * ratioBack;    }

否则 作一个线性插值，得到相对旋转

算两个权重 进行 插值

    float posXCur, posYCur, posZCur;    findPosition(relTime, &posXCur, &posYCur, &posZCur);

这里没有计算平移补偿 如果运动不快的话

    if (firstPointFlag == true)    {      transStartInverse = (pcl::getTransformation(posXCur, posYCur, posZCur, rotXCur, rotYCur, rotZCur)).inverse();      firstPointFlag = false;    }

计算第一个点的相对位姿

    Eigen::Affine3f transFinal = pcl::getTransformation(posXCur, posYCur, posZCur, rotXCur, rotYCur, rotZCur);    Eigen::Affine3f transBt = transStartInverse * transFinal;

计算当前点和第一点的相对位姿

    newPoint.x = transBt(0,0) * point->x + transBt(0,1) * point->y + transBt(0,2) * point->z + transBt(0,3);    newPoint.y = transBt(1,0) * point->x + transBt(1,1) * point->y + transBt(1,2) * point->z + transBt(1,3);    newPoint.z = transBt(2,0) * point->x + transBt(2,1) * point->y + transBt(2,2) * point->z + transBt(2,3);    newPoint.intensity = point->intensity;    return newPoint;

就是R*p+t ，把点补偿到第一个点对应的时刻的位姿

然后看提取出有效的点的信息 函数cloudExtraction

  void cloudExtraction()  {

    for (int i = 0; i < N_SCAN; ++i)    {

遍历每一根scan

cloudInfo.startRingIndex[i] = count - 1 + 5;

这个scan可以计算曲率的起始点（计算曲率需要左右各五个点）

      for (int j = 0; j < Horizon_SCAN; ++j)      {

遍历该 scan上的每 个点

        if (rangeMat.at(i,j) != FLT_MAX)//FLT_MAX就是最大的浮点数        {

判断该点 是否 是一个 有效的点

rangeMat的每个点初始化为FLT_MAX ，如果点有效，则会赋值为 range

cloudInfo.pointColInd[count] = j;

点云信息里面 这个点对应着哪一个垂直线

cloudInfo.pointRange[count] = rangeMat.at(i,j);

点云信息里面 保存它的距离信息

 extractedCloud->push_back(fullCloud->points[j + i*Horizon_SCAN]);

他的3d坐标信息

cloudInfo.endRingIndex[i] = count -1 - 5;

这个scan可以计算曲率的终端

在上面处理完后

即可发布点云

  void publishClouds()  {    cloudInfo.header = cloudHeader;    cloudInfo.cloud_deskewed = publishCloud(&pubExtractedCloud, extractedCloud, cloudHeader.stamp, lidarFrame);    pubLaserCloudInfo.publish(cloudInfo);  }

最后将处理后的点云发布出去

result

审核编辑：刘清